语音识别技术论文参考文献

1。 Frosini A, Gori M, Priami P (1996) A neural network-based model弗罗西尼甲，普里亚米P（下1996）哥里的神经网络的M -基于模型for paper currency recognition and verification.为纸币识别和验证。 IEEE Trans Neural电机及电子学工程师联合会跨神经Network 7:1482-1490网络7:1482-14902. 2。 Kosaka T, Taketani N, Omatu S (1999) Classification of Italian小坂吨，武谷ñ，Omatu工作主任（1999年）意大利分类bills by a competitive neural network.法案通过有竞争力的神经网络。 Trans Inst Elec Eng Jpn中国科学院利安达反英Jpn119-C:948-954 119 - ç :948 - 9543. 3。 Fukunaga K (1972) Introduction to statistical pattern recognition.福永度（1972年）介绍统计模式识别。Academic, New York学术，纽约4. 4。 Tipping ME, Bishop CM (1999) Probabilistic principal component小费我，主教厘米（1999年）的主要组成部分概率analysis.分析。 J Roy Stat Soc B 61:611-622 ĵ罗伊统计芯片乙61:611-6225. 5。 Haykin S (1999) Neural networks. Haykin工作主任（1999年）神经网络。 Prentice Hall, New Jersey普伦蒂斯大厅，新泽西6. 6。 Kohonen T (1995) Self-organization maps.基于Kohonen T（下1995）自组织地图。 Springer, Berlin施普林格，柏林Heidelberg New York海德堡纽约7. 7。 Rabiner LR (1989) A tutorial on hidden Markov models and拉比娜的LR（1989）关于隐马尔可夫模型和教程selected applications in speech recognition.在语音识别选定的应用程序。 Proceedings of IEEE诉讼的IEEE77:257-286 77:257-2868. 8。 Kohavi R (1995) A study of cross-validation and bootstrap for accuracy Kohavi住宅（1995年）的交叉研究，验证和引导的准确性estimation and model selection.估计和模型选择。 Proceedings of the 14th International程序的第14届国际Joint Conference on Artificial Intelligence IJCAI,联席会议人工智能IJCAI，Montreal, Canada, pp 1137-11加拿大蒙特利尔，第1137至1111年

计算机人工智慧是一种发展前景较广,潜力较大的计算机发展形式。下面是我为大家整理的，供大家参考。

摘要：阐述了人工智慧的核心问题及启发式搜寻函式的基本概念，介绍了4种经典问题启发式搜寻函式的选择及其研究中遇到的难题，并从中求解来探讨解决问题的思路。

关键词：人工智慧;问题求解;启发式搜寻函式

中图分类号：TP18文献标识码：A文章编号：1009-3044***2008***08-10ppp-0c

人工智慧问题广义地说，都可以看作是一个问题求解过程，因此问题求解是人工智慧的核心问题，它通常是通过在某个可能的解答空间中寻找一个解来进行的。在问题求解过程中，人们所面临的大多数现实问题往往没有确定性的演算法，通常需要用搜索演算法来解决。目标和达到目标的一组方法称为问题，搜寻就是研究这些方法能够做什么的过程。问题求解一般需要考虑两个基本问题：首先是使用合适的状态空间表示问题，其次是测试该状态空间中目标状态是否出现。

1 什么是启发式搜寻函式

在人工智慧中有很大一类问题的求解技术依赖于搜寻。启发式方法就是采用有利于问题自身特征资讯来引导搜寻过程的方法，在学生学习过程中启发式函式的选取至关重要，决定整个演算法的效率与成败。启发式搜寻通常用于两种不同型别的问题：***1***前向推力和***2***反向推理。前向推理一般用于状态空间的搜寻。在前向推理中，推理是从预定义的初始状态出发向目标状态反向方向执行;反向推理一般用于问题归约中。在反向推理中，推理是从给定的目标状态向初始状态执行。

用来评估节点重要性的函式称为评估函式。评估函式f***x***定义为从初始节点S0出发，约束地经过节点x到达目标节点Sg的所有路径中最小路径代价的估计值。其一般形式为：

其中，g***x***表示从初始节点S0到节点x的实际代价;h***x***表示从x到目标节点Sg的最优路径的评估代价，它体现了问题的启发式资讯，其形式要根据问题的特征确定，h***x***称为启发式函式。因此，启发式方法把问题状态的描述转换成了对问题解决程度的描述，这一程度用评估函式的值来表示。

2 滑动积木游戏启发式搜寻函式

滑动积木块游戏的棋盘结构及某一种将牌的初始排列结构如下：

其中B表示黑色将牌，W表示白色将牌，E表示空格。游戏的规定走法是：

***1***任意一个将牌可以移入相邻的空格，规定其耗散值为1;

***2***任意一个将牌可相隔1个或2个其他的将牌跳入空格，规定其耗散值等于跳过将牌的数目;游戏要达到的目标是使所有白将牌都处在黑将牌的左边***左边有无空格均可***。对这个问题，定义一个启发函式h***n***，并给出利用这个启发函式用演算法A求解时所产生的搜寻树。可定义h为：h=B右边的W的数目

很多知识对求解问题有好处，这些知识并不一定要写成启发函式的形式，很多情况下，也不一定能清晰的写成一个函式的形式。由题意，在目标状态下，一个扇区的数字之和等于12，一个相对扇区的数字之和等于24，而一个阴影扇区或者非阴影扇区的数字之和为48。

为此，我们可以将目标进行分解，首先满足阴影扇区的数字之和为48。为了这个目标我们可以通过每次转动圆盘45o实现。在第一个目标被满足的情况下，我们再考虑第二个目标：每一个相对扇区的数字和为24。在实现这个目标的过程中，我们希望不破坏第一个目标。为此我们采用转动90o的方式实现，这样即可以调整相对扇区的数字和，又不破坏第一个目标。在第二个目标实现之后，我们就可以实现最终目标：扇区内的数字和为12。同样我们希望在实现这个目标的时候，不破坏前两个目标。为此我们采用转动180o的方式实现。这样同样是即可以保证前两个目标不被破坏，又可以实现第三个目标。

经过这样的分析以后，我们发现该问题就清晰多了。当然，是否每一个第一、第二个目标的实现，都能够实现第三个目标呢?有可能不一定。在这种情况下，就需要在发现第三个目标不能实现时，重新试探其他的第一、第二个目标。

4 传教士野人问题启发式搜寻函式

传教士野人问题，n个传教士和n个野人从河的一边摆渡到河的另一边，为安全起见，任何时候传教士的数目不能小于野人的数目，渡船每次渡k个人， N=5，k≤3的M-C问题，找到相应的启发函式。定义h1=M+C-2B，其中M，C分别是在河的左岸的传教士人数和野人人数。B=1表示船在左岸，B=0表示船在右岸。也可以定义h2=M+C，h1是满足A*条件的，而h2不满足。

要说明h***n***=M+C不满足A*条件是很容易的，只需要给出一个反例就可以了。比如状态***1, 1, 1***，h***n***=M+C=1+1=2，而实际上只要一次摆渡就可以达到目标状态，其最优路径的耗散值为1。所以不满足A*的条件。

下面我们来证明h***n***=M+C-2B是满足A*条件的。

我们分两种情况考虑。先考虑船在左岸的情况。如果不考虑限制条件，也就是说，船一次可以将三人从左岸运到右岸，然后再有一个人将船送回来。这样，船一个来回可以运过河2人，而船仍然在左岸。而最后剩下的三个人，则可以一次将他们全部从左岸运到右岸。所以，在不考虑限制条件的情况下，也至少需要摆渡次。其中分子上的"-3"表示剩下三个留待最后一次运过去。除以"2"是因为一个来回可以运过去2人，需要个来回，而"来回"数不能是小数，需要向上取整，这个用符号表示。而乘以"2"是因为一个来回相当于两次摆

渡，所以要乘以2。而最后的"+1"，则表示将剩下的3个运过去，需要一次摆渡。

再考虑船在右岸的情况。同样不考虑限制条件。船在右岸，需要一个人将船运到左岸。因此对于状态***M，C，0***来说，其所需要的最少摆渡数，相当于船在左岸时状态***M+1，C，1***或***M，C+1，1***所需要的最少摆渡数，再加上第一次将船从右岸送到左岸的一次摆渡数。因此所需要的最少摆渡数为：***M+C+1***-2+1 。其中***M+C+1***的"+1"表示送船回到左岸的那个人，而最后边的"+1"，表示送船到左岸时的一次摆渡。

综合船在左岸和船在右岸两种情况下，所需要的最少摆渡次数用一个式子表示为：M+C-2B。其中B=1表示船在左岸，B=0表示船在右岸。 由于该摆渡次数是在不考虑限制条件下，推出的最少所需要的摆渡次数。因此，当有限制条件时，最优的摆渡次数只能大于等于该摆渡次数。所以该启发函式h是满足A*条件的。

5 结束语

总之，计算机人工智慧启发式搜寻函式选取的方法比较多，试图找出问题中选取函式的相似的方法，从文中可知还没有那一个函式可以处于绝对的地位，可以适用于所有环境。如何将各种选取启发式搜寻函式的思路结合起来，寻找各个问题选取函式的特点规律，在这个方面还是有很多的理论和实践值得深入研究。

参考文献：

[1]史忠植.高阶人工智慧***第二版***[M].科学出版社,2006.

[2]廉师友.人工智慧技术导论***第二版***[M].西安电子科技大学出版社,2002.

[3]陈群秀.人工智慧***远端教育研究生课程***[EB/OL].

[4]Visual Prolog语言简介[EB/OL].

[5]人工智慧语言[EB/OL].第十四章人工智慧语言

摘要：近年来，随着资讯科技以及计算机技术的不断发展，人工智慧在计算机中的应用也随之加深，其被广泛应用于计算机的各个领域。本文针对计算机在人工智慧中的应用进行研究，阐述了人工智慧的理论概念，分析当前其应用于人工智慧所存在的问题，并介绍人工智慧在部分领域中的应用。

关键词：计算机;人工智慧;应用研究

中图分类号： 文献标识码：A文章编号：1007-9599 ***2011*** 19-0000-01

Applied Research of puter on Artificial Intelligence

Han Xiaoying

***Jiujiang University,Jiujiang332005,China***

Abstract:In recent years,as information technology and puter technology continues to evolve,the application of artificial intelligence in the puter also will deepen thEir puters are widely used in various this paper,puter applications in artificial intelligence research,explained the concept of artificial intelligence theory to *** yze the current applied to the problems of artificial intelligence,and describes the field of artificial intelligence in some applications.

intelligence;Applied research

一、前言

人工智慧又称机器智慧，来自于1956年的Dartmouth学会，在这学会上人们最初提出了“人工智慧”这一词。人工智慧作为一门综合性的学科，其是在电脑科学、资讯理论、心理学、神经生理学以及语言学等多种学科的互相渗透下发展而成。在计算机的应用系统方面，人工智慧是专门研究如何制造智慧系统或智慧机器来模仿人类进行智慧活动的能力，从而延伸人们的科学化智慧。人工智慧是一门富有挑战性的科学，从事这项工作的人必须懂得计算机知识、心理学与哲学。人工智慧是处于思维科学的技术应用层次，是其应用分支之一。数学常被认为是多种学科的基础科学，数学也进入语言及思维领域，人工智慧学科须借用数学工具。数学在标准逻辑及模糊数学等范围发挥作用，其进入人工智慧学科，两者将互相促进且快速发展。

二、人工智慧应用于计算机中存在的问题

***一***计算机语言理解的弱点。当前，计算机尚未能确切的理解语言的复杂性。然而，正处于初步研制阶段的计算机语言翻译器，对于演算法上的规范句子，已能显示出极高的造句能力及理解能力。但其在理解句子意思上，尚未获得明显成就。我们所获取的资讯多来自于上下文的关系以及自身掌握的知识。人们在日常生活中的个人见解、社会见解以及文化见解给句子附加的意义带来很大影响。

***二***模式识别的疑惑。采用计算机进行研究及开展模式识别，在一定程度上虽取得良好效果，有些已作为产品进行实际应用，但其理论以及方法和人的感官识别机制决然不同。人的形象思维能力以及识别手段，即使是计算机中最先进的识别系统也无法达到。此外，在现实社会中，生活作为一项结构宽松的任务，普通的家畜均能轻易对付，但机器却无法做到，这并不意味着其永久不会，而是暂时的。

三、人工智慧在部分领域中的应用

伴随着AI技术的快速发展，当今时代的各种资讯科技发展均与人工智慧技术密切相关，这意味着人工智慧已广泛应用于计算机的各个领域，以下是笔者对于人工智慧应用于计算机的部分领域进行阐述。具体情况如下。

***一***人工智慧进行符号计算。科学计算作为计算机的一种重要用途，可分为两大类别。第一是纯数值的计算，如求函式值。其次是符号的计算，亦称代数运算，是一种智慧的快速的计算，处理的内容均为符号。符号可代表实数、整数、复数以及有理数，或者代表 *** 、函式以及多项式等。随着人工智慧的不断发展以及计算机的逐渐普及，多种功能的计算机代数系统软体相继出现，如Maple或Mathematic。由于这些软体均用C语言写成，因此，其可在多数的计算机上使用。

***二***人工智慧用于模式识别。模式识别即计算机通过数学的技术方法对模式的判读及自动处理进行研究。计算机模式识别的实现，是研发智慧机器的突破点，其使人类深度的认识自身智慧。其识别特点为准确、快速以及高效。计算机的模式识别过程相似于人类的学习过程，如语音识别。语音识别即为使计算机听懂人说

的话而进行自动翻译，如七国 语言的口语自动翻译系统。该系统的实现使人们出国时在购买机票、预定旅馆及兑换外币等方面，只需通过国际网际网路及电话 网路，即可用电话或手机与“老外”进行对话。

***三***人工智慧 计算机网路安全中的 应用。当前，在计算机的网路安全 管理中常见的技术主要有入侵检测技术以及防火墙技术。防火墙作为计算机网路安全的装置之一，其在计算机的网路安全管理方面发挥重要作用。以往的防火墙尚未有检 测加密Web流量的功能，原因在于其未能见到加密的SSL流中的资料，无法快速的获取SSL流中的资料且未能对其进行解密。因而，以往的防火墙无法有效的阻止应用程式的攻击。此外，一般的应用程式进行加密后，可轻易的躲避以往防火墙的检测。因此，由于以往的防火墙无法对应用资料流进行完整的监控，使其难以预防新型攻击。新型的防火墙是通过利用 统计、概率以及决策的智慧方法以识别资料，达到访问受到许可权的目地。然而此方法大多数是从人工智慧的学科中采取，因此，被命名为“智慧防火墙”。

***四***人工智慧应用于计算机网路系统的故障诊断。人工神经网路作为一种资讯处理系统，是通过人类的认知过程以及模拟人脑的 组织结构而成。1943年时，人工神经网路首次被人提出并得到快速 发展，其成为了人工智慧技术的另一个分支。人工神经网路通过自身的优点，如联想记忆、自适应以及并列分布处理等，在智慧故障诊断中受到广泛关注，并且发挥极大的潜力，为智慧故障诊断的探索开辟新的道路。人工神经网路的诊断方法异于专家系统的诊断方法，其通过现场众多的标准样本进行学习及训练，加强调整人工神经网路中的阀值与连线权，使从中获取的知识隐藏分布于整个网路，以达到人工神经网路的模式记忆目的。因此，人工神经网路具备较强的知识捕捉能力，能有效处理异常资料，弥补专家系统方法的缺陷。

四、结束语

总而言之，人工智慧作为计算机技术的潮流，其研究的理论及发现决定了计算机技术的发展前景。现今，多数人工智慧的研究成果已渗入到人们的日常生活。因此，我们应加强人工智慧技术的研究及开发，只有对其应用于各领域中存在的问题进行全面分析，并对此采取相应措施，使其顺利发展。人工智慧技术的发展将给人们的生活、学习以及 工作带来极大的影响。

参考文献：

[1]杨英.智慧型计算机辅助教学系统的实现与研究[J].电脑知识与技术,2009,9

[2]毛毅.人工智慧研究 热点及其发展方向[J].技术与市场,2008,3

[3]李德毅.网路时代人工智慧研究与发展[J].智慧系统学报,2009,1

[4]陈步英,冯红.人工智慧的应用研究[J].邢台 职业技术学院学报,2008,1

语音识别技术研究让人更加方便地享受到更多的社会信息资源和现代化服务，对任何事都能够通过语音交互的方式。 我整理了浅谈语音识别技术论文，欢迎阅读!

语音识别技术概述

作者：刘钰 马艳丽 董蓓蓓

摘要：本文简要介绍了语音识别技术理论基础及分类方式，所采用的关键技术以及所面临的困难与挑战，最后讨论了语音识别技术的 发展 前景和应用。

关键词：语音识别;特征提取;模式匹配;模型训练

Abstract:This text briefly introduces the theoretical basis of the speech-identification technology,its mode of classification,the adopted key technique and the difficulties and challenges it have to developing prospect ion and application of the speech-identification technology are discussed in the last part.

Keywords:Speech identification;Character Pick-up;Mode matching;Model training

一、语音识别技术的理论基础

语音识别技术：是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高级技术。语音识别以语音为研究对象，它是语音信号处理的一个重要研究方向，是模式识别的一个分支，涉及到生 理学 、心理学、语言学、 计算 机 科学 以及信号处理等诸多领域，甚至还涉及到人的体态语言(如人在说话时的表情、手势等行为动作可帮助对方理解)，其最终目标是实现人与机器进行 自然 语言通信。

不同的语音识别系统，虽然具体实现细节有所不同，但所采用的基本技术相似，一个典型语音识别系统主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。此外，还涉及到语音识别单元的选取。

(一) 语音识别单元的选取

选择识别单元是语音识别研究的第一步。语音识别单元有单词(句)、音节和音素三种，具体选择哪一种，由具体的研究任务决定。

单词(句)单元广泛应用于中小词汇语音识别系统，但不适合大词汇系统，原因在于模型库太庞大，训练模型任务繁重，模型匹配算法复杂，难以满足实时性要求。

音节单元多见于汉语语音识别，主要因为汉语是单音节结构的语言，而 英语 是多音节，并且汉语虽然有大约1300个音节，但若不考虑声调，约有408个无调音节，数量相对较少。因此，对于中、大词汇量汉语语音识别系统来说，以音节为识别单元基本是可行的。

音素单元以前多见于英语语音识别的研究中，但目前中、大词汇量汉语语音识别系统也在越来越多地采用。原因在于汉语音节仅由声母(包括零声母有22个)和韵母(共有28个)构成，且声韵母声学特性相差很大。实际应用中常把声母依后续韵母的不同而构成细化声母，这样虽然增加了模型数目，但提高了易混淆音节的区分能力。由于协同发音的影响，音素单元不稳定，所以如何获得稳定的音素单元，还有待研究。

(二) 特征参数提取技术

语音信号中含有丰富的信息，但如何从中提取出对语音识别有用的信息呢?特征提取就是完成这项工作，它对语音信号进行分析处理，去除对语音识别无关紧要的冗余信息，获得影响语音识别的重要信息。对于非特定人语音识别来讲，希望特征参数尽可能多的反映语义信息，尽量减少说话人的个人信息(对特定人语音识别来讲，则相反)。从信息论角度讲，这是信息压缩的过程。

线性预测(LP)分析技术是目前应用广泛的特征参数提取技术，许多成功的应用系统都采用基于LP技术提取的倒谱参数。但线性预测模型是纯数学模型，没有考虑人类听觉系统对语音的处理特点。

Mel参数和基于感知线性预测(PLP)分析提取的感知线性预测倒谱，在一定程度上模拟了人耳对语音的处理特点，应用了人耳听觉感知方面的一些研究成果。实验证明，采用这种技术，语音识别系统的性能有一定提高。

也有研究者尝试把小波分析技术应用于特征提取，但目前性能难以与上述技术相比，有待进一步研究。

(三)模式匹配及模型训练技术

模型训练是指按照一定的准则，从大量已知模式中获取表征该模式本质特征的模型参数，而模式匹配则是根据一定准则，使未知模式与模型库中的某一个模型获得最佳匹配。

语音识别所应用的模式匹配和模型训练技术主要有动态时间归正技术(DTW)、隐马尔可夫模型(HMM)和人工神经元 网络 (ANN)。

DTW是较早的一种模式匹配和模型训练技术，它应用动态规划方法成功解决了语音信号特征参数序列比较时时长不等的难题，在孤立词语音识别中获得了良好性能。但因其不适合连续语音大词汇量语音识别系统，目前已被HMM模型和ANN替代。

HMM模型是语音信号时变特征的有参表示法。它由相互关联的两个随机过程共同描述信号的统计特性，其中一个是隐蔽的(不可观测的)具有有限状态的Markor链，另一个是与Markor链的每一状态相关联的观察矢量的随机过程(可观测的)。隐蔽Markor链的特征要靠可观测到的信号特征揭示。这样，语音等时变信号某一段的特征就由对应状态观察符号的随机过程描述，而信号随时间的变化由隐蔽Markor链的转移概率描述。模型参数包括HMM拓扑结构、状态转移概率及描述观察符号统计特性的一组随机函数。按照随机函数的特点，HMM模型可分为离散隐马尔可夫模型(采用离散概率密度函数，简称DHMM)和连续隐马尔可夫模型(采用连续概率密度函数，简称CHMM)以及半连续隐马尔可夫模型(SCHMM，集DHMM和CHMM特点)。一般来讲，在训练数据足够的，CHMM优于DHMM和SCHMM。HMM模型的训练和识别都已研究出有效的算法，并不断被完善，以增强HMM模型的鲁棒性。

人工神经元 网络 在语音识别中的 应用是现在研究的又一 热点。ANN本质上是一个自适应非线性动力学系统，模拟了人类神经元活动的原理，具有自学、联想、对比、推理和概括能力。这些能力是HMM模型不具备的，但ANN又不个有HMM模型的动态时间归正性能。因此，现在已有人研究如何把二者的优点有机结合起来，从而提高整个模型的鲁棒性。

二、语音识别的困难与对策

目前，语音识别方面的困难主要表现在：

(一)语音识别系统的适应性差，主要体现在对环境依赖性强，即在某种环境下采集到的语音训练系统只能在这种环境下应用，否则系统性能将急剧下降;另外一个问题是对用户的错误输入不能正确响应，使用不方便。

(二)高噪声环境下语音识别进展困难，因为此时人的发音变化很大，像声音变高，语速变慢，音调及共振峰变化等等，这就是所谓Lombard效应，必须寻找新的信号分析处理方法。

(三)语言学、生 理学 、心理学方面的研究成果已有不少，但如何把这些知识量化、建模并用于语音识别，还需研究。而语言模型、语法及词法模型在中、大词汇量连续语音识别中是非常重要的。

(四)我们对人类的听觉理解、知识积累和学习机制以及大脑神经系统的控制机理等分面的认识还很不清楚;其次，把这方面的现有成果用于语音识别，还有一个艰难的过程。

(五)语音识别系统从实验室演示系统到商品的转化过程中还有许多具体问题需要解决，识别速度、拒识问题以及关键词(句)检测技术等等技术细节要解决。

三、语音识别技术的前景和应用

语音识别技术 发展 到今天，特别是中小词汇量非特定人语音识别系统识别精度已经大于98%，对特定人语音识别系统的识别精度就更高。这些技术已经能够满足通常应用的要求。由于大规模集成电路技术的发展，这些复杂的语音识别系统也已经完全可以制成专用芯片，大量生产。在西方 经济 发达国家，大量的语音识别产品已经进入市场和服务领域。一些用户交机、电话机、手机已经包含了语音识别拨号功能，还有语音记事本、语音智能玩具等产品也包括语音识别与语音合成功能。人们可以通过电话网络用语音识别口语对话系统查询有关的机票、 旅游 、银行信息，并且取得很好的结果。

语音识别是一门交叉学科，语音识别正逐步成为信息技术中人机接口的关键技术，语音识别技术与语音合成技术结合使人们能够甩掉键盘，通过语音命令进行操作。语音技术的应用已经成为一个具有竞争性的新兴高技术产业。

参考 文献 ：

[1]科大讯飞语音识别技术专栏. 语音识别产业的新发展. 企业 专栏.通讯世界,:(总l12期)

[2]任天平,门茂深.语音识别技术应用的进展.科技广场.河南科技,

[3]俞铁城.科大讯飞语音识别技术专栏.语音识别的发展现状.企业专栏.通讯世界, (总122期)

[4]陈尚勤等.近代语音识别.西安: 电子 科技大学出版社,1991

[5]王炳锡等.实用语音识别基础.Practical Fundamentals of Speech Recognition.北京:国防 工业 出版社,2005

[6](美)L.罗宾纳.语音识别基本原理.北京:清华大学出版社,1999

点击下页还有更多>>>浅谈语音识别技术论文

1.《基于深度学习的自然语言处理技术研究》2.《基于深度学习的计算机视觉技术研究》3.《基于深度学习的语音识别技术研究》4.《基于深度学习的机器翻译技术研究》5.《基于深度学习的自动驾驶技术研究》6.《基于深度学习的智能家居技术研究》7.《基于深度学习的智能机器人技术研究》8.《基于深度学习的智能推荐系统技术研究》9.《基于深度学习的自然语言理解技术研究》10.《基于深度学习的智能安全技术研究》